多接入边缘计算：综述

引言

在过去十年中，云计算蓬勃发展。云的设计原则是集中。更多的计算与存储被汇聚到数据中心，应用用户通过无处不在的网络按需使用这些资源，这得益于无线接入的商品化。由于规模经济，这一生态系统取得了巨大成功。

然而，物联网（IoT）的出现给云计算带来了新的需求与挑战。首先，一些有前景的物联网应用需要极短的延迟时间。根据ITU‐T技术观察报告[1]，闭环系统中工业机器人的典型控制间隔约为1毫秒，而人类视觉反应时间在10毫秒左右。对于需要这种短延迟时间的应用，数据包往返云所需的时间很可能过长。其次，大量物联网终端产生的大流量将给网络基础设施带来过重负担。

为应对这些问题，边缘计算的概念应运而生。“边缘计算”这一术语并非新概念；据文献[2]记载，其最早出现于2001年。2002年，微软发布了题为“在边缘实现丰富内容服务[3]”的技术报告，阿卡迈于2003年宣布了“EdgeComputing[4]”。但这些发布均早于云和物联网时代，与当前的提案有所不同。2009年，卡内基梅隆大学的萨特亚纳拉亚南教授发表了一篇具有远见性和开创性的文章，题为“基于虚拟机的移动计算云朵[5]”，为当今的边缘计算概念奠定了基础。自此以后，相关研究活跃开展，如参考文献[6],[7]和[8]等，该范式逐渐获得发展动力。

与此同时，人们也逐渐意识到，为了要充分发挥边缘计算的潜力，必须具备广泛分布的基础设施，能与网络设备合理协同工作，可供多个用户共享，并得到充分管理。

为此，欧洲电信标准协会（ETSI）于2014年成立了移动边缘计算（MEC）行业规范组（ISG），以推动全球标准化。顾名思义，MEC ISG最初专注于将边缘计算与蜂窝无线技术（LTE和第五代移动通信技术）相结合。随后在2016年，该ISG更名为多接入边缘计算（缩写仍为“MEC”），以扩展其范围，涵盖WiFi和固定等其他接入技术。迄今为止，该ISG已发布了一系列文档，包括白皮书[10],[11]、服务场景[12]、需求[13]以及参考架构[14]等。此外，如本综述后文所述，还启动了其他合作项目。

尽管目前存在大量与边缘计算相关的提案，但本文中我们将MEC用作云节点、雾计算及其他相关架构的同义词，并视这些术语可互换使用。

本综述的组织结构如下。首先，介绍边缘计算及其类似架构的定义，并阐述其预期优势。接着，引入多个服务场景，并调研相关的应用提案。随后，描述欧洲电信标准协会（ETSI）多接入边缘计算（MEC）的参考架构，这是边缘计算领域的一项重要标准化工作。然后，我们介绍了一些新的前沿研究工作，这些研究在我们看来对于将多接入边缘计算（MEC）作为未来基础设施的重要组成部分至关重要，主要包括：边缘计算的架构提案、用户设备、边缘服务器与云之间的处理划分问题，以及资源管理问题。

本综述并不追求全面性，但在结论部分会引用一些优秀的相关综述文献。

2. 边缘计算的定义

为了满足巨大的计算需求，云计算在两个维度上发展：横向和纵向。图1展示了这两个维度的总体概念。云计算中的横向分布式计算简而言之，是为了实现扩展性和冗余，复制多个运行基本相同程序的服务器。

纵向分布式计算也通常被称为多层云计算[15]，是将计算分解为一系列子过程，并将其连接形成处理流水线，有利于应用逻辑的分离和结构化。横向分布与纵向分布可以结合使用。最成功的纵向分布是三层Web模型[16]，包括Web服务器、应用服务器和数据库服务器。传统上，这些层级部署在同一位置，例如同一个数据中心内。然而，某些功能也可以部署在非数据中心的位置，即位于数据中心与客户端之间的中间服务器上，整个基础设施构成一个由具备计算能力的节点和通信链路组成的多层结构。这些中间服务器通常位于用户或终端设备附近，靠近网络边缘。

这种架构理念称为边缘计算，这些中间服务器通常被称为边缘服务器，尽管也有其他名称，如“云节点[5]”和“雾计算[17]”。

Satyanarayanan等人[5]对云节点的定义如下：“移动设备用户利用虚拟机（VM）技术，在附近的云节点上快速实例化定制化的服务软件，然后通过无线局域网使用该服务；在此场景中，移动设备通常作为该服务的瘦客户端。”这正是当今边缘计算概念的一种原型。尽管原文提到“通过无线局域网”，但如今云节点已扩展至可结合蜂窝网络使用[18]。

另一个著名的提议是思科的雾计算。最初的提议[17]是在2012年。其中指出“雾计算是一个高度虚拟化的平台，用于在终端设备和传统的云计算数据中心之间提供计算、存储和网络服务，通常但并非exclusively 位于网络边缘。”除了计算之外，雾计算还旨在帮助设备间的网络连接。如今，雾计算与边缘计算被视为可互换的概念。

在MAUI[6]中，采用远程执行技术通过按方法进行细粒度代码卸载来降低移动设备的能耗。在MAUI中，是否卸载由运行时决定一种方法在本地（设备上）或远程（边缘服务器上）执行，旨在在满足移动设备当前连接约束下的延迟限制的同时，最大化节能效果。为减轻程序员的负担，该方法采用代码可移植性，即智能手机应用具有两个版本，一个用于智能手机上执行，另一个用于边缘服务器上执行。出于类似目的，CloneCloud[7]使用运行在边缘服务器上的应用级虚拟机。在CloneCloud中，卸载粒度为线程级别。在Virtual Smartphone[8]中，大部分应用处理被卸载到边缘服务器。用户设备（智能手机）应用接收运行在附近边缘服务器上的虚拟智能手机的屏幕输出，其方式类似于传统的瘦客户端技术。这些早期提案（除雾计算外）主要关注智能手机和平板电脑等用户终端设备。但边缘服务器的卸载效果在物联网设备上同样适用。

欧洲电信标准协会多接入边缘计算在其首份介绍性白皮书[10]中定义：“移动边缘计算在无线接入网络(RAN)内靠近移动设备的位置提供IT服务环境和云计算能力。”随后，参考文献[11]中的定义略有扩展：“边缘计算指的是一系列旨在将计算和存储从远程云（公有或私有）迁移到更接近数据源的技术”，以适应各种接入技术。

边缘计算的主要目的总结如下（具体服务场景将在第3节中详细描述）；

• 实时分布式计算：边缘服务器相比中心服务器能够以更短的响应时间回复终端设备的请求。
• 降低终端设备的处理器负载（卸载）：边缘服务器可以协助处理繁重的交互式应用进程，从而减轻性能较差的终端设备的处理负载。
• 数据本地化：在机器对机器应用以及地理上分布的传感器数据的分析等场景中，将数据处理本地化到附近的边缘服务器可以优化网络流量和云服务器的负载。

为了实现上述目标，边缘计算的优势大致可分为三类：应用处理的低延迟、客户端卸载以及基础设施资源的高效利用。这意味着衡量边缘计算的性能和有效性存在多种指标。

（1）从终端用户/设备的角度来看，延迟和电池功耗至关重要。（2）从电信运营商和互联网服务提供商（ISP）等服务提供商的角度来看，重要的是避免服务器和网络资源的拥塞或耗尽，并降低服务器和网络成本，同时维持用户的满意度。（3）此外，从服务开发者的角度来看，需要拥有一个良好的生态系统，以吸引第三方开发者提供优秀的应用程序。

类似地，Shi等人[19]将优化指标列举如下：（a）延迟，由计算和网络（尤其是广域网延迟）引起，（b）带宽，（c）用户设备上的能耗，即计算能耗与传输能耗之间的权衡，最后是（d）构建和维护成本，而改善的用户体验可带来更高的收入。

性能指标之间存在权衡。例如，高桥等人[20]描述了将部分客户端处理卸载到边缘服务器的情况，其中原始客户端程序被拆分为两部分，其中一部分被迁移到边缘服务器。客户端上的计算延迟降低，而边缘服务器上则产生新的计算延迟。由于服务器速度更快，延迟的减少与卸载的计算量呈线性关系。至于与客户端进出流量相关的延迟，客户端与边缘服务器之间新增的流量需通过无线链路传输，因此通信延迟将增加。但由于存在与流量大小无关的固定开销（如会话建立），延迟的增加可能小于流量增加的比例。

3. 服务场景和应用

欧洲电信标准协会多接入边缘计算（ETSI ISG MEC）的一项成果《服务场景[12]》将候选服务分为七种场景。本节对这些场景进行概述，并参考了属于每个类别的部分新学术提案。

3.1 智能视频加速

该服务场景旨在通过向视频源（如YouTube）提供无线接入环境信息，优化向移动设备传输视频内容的质量，从而提高传输效率。在此服务场景中，无线电分析应用应位于无线接入网（RAN），并向视频服务器提供无线下行链路的估计可用吞吐量信息。该信息可用于调整TCP拥塞控制机制或确保应用层编码参数。在这种情况下，用于分析的边缘服务器应从蜂窝节点（如基站）获取无线状态信息。

王等人[21]在此场景中以一种直接的方式实现了一个原型。该系统通过4G LTE仿真器实现，并将MEC服务器功能添加到eNodeB（LTE蜂窝移动电话网络中的基站组件，即演进型节点B）的一个组件中。MEC服务器检查由终端用户设备测量并响应来自eNodeB的参考信号而反馈的信道质量指示符（CQI）。基于CQI，信道信息被发送至视频服务器，并利用基于HTTP的MPEG动态自适应流（MPEG‐DASH）动态调整视频系统比特率。其实验结果良好；简而言之，所提出的方法在面对各种衰落剖面时均能提供低延迟，同时产生接近高恒定比特率流情况下上界的合理吞吐量。

在超流体项目[22]中，研究了利用多接入边缘计算的视频流服务设计[23]。在流媒体服务中，使用了多种不同的应用容器协议，例如苹果HTTP实时流、MPEG‐DASH、Adobe HTTP动态流等。当客户端发出请求时，原始视频内容被分割成小片段，每个片段按照请求的协议进行格式化。此操作称为转复用（transmuxing）。传统上，转复用在源服务器上执行，CDN缓存已格式化的容器。在该研究中，转复用被卸载到边缘；源服务器将未格式化的、与容器无关的片段发送至边缘服务器，边缘服务器在缓存片段的同时执行转复用。

实验表明，与传统CDN相比，该方法降低了延迟，并提高了吞吐量，尤其适用于此前以不同格式流式传输的视频。此外，他们还利用可重用功能模块（RFB）和Docker[24]容器机制实现了动态卸载。

Tran等人[25]研究了多接入边缘计算在点播视频流的联合协同缓存与处理问题（JCCP）中的可用性。在此场景中，利用MEC的计算能力将视频转码为不同比特率的版本，以满足用户请求，使用户能够接收到与其网络状况和用户设备能力相匹配的视频。术语collaborative表示通过回传网络连接的多个MEC服务器在内容缓存和转码方面相互协助。

该问题被建模为一个整数线性规划问题，在边缘服务器的缓存存储和处理能力约束下，最小化回传网络成本。由于该问题具有NP完全性，他们提出了表现良好的启发式算法。所提方法在缓存命中率、平均访问延迟和回传流量负载方面的性能接近离线计算的最优结果。

3.2 视频流分析

该服务场景适用于基于视频的监控或监控系统等应用。例如，出于安全目的，对进出某个区域的车辆进行车牌识别等。靠近摄像头的MEC服务器可用于捕获和分析视频，然后将识别出的车牌号码发送到云。与原始视频相比，传输到云的数据量要小得多。视频分析本身的机制仍与基于云的视频分析[26]类似。基于边缘的分析在参考文献[27]中有全面描述。一些厂商也在开发这一服务场景[28],[29]。

3.3 增强现实

对于该服务场景，假设一名参观者在博物馆内使用博物馆应用，将智能手机对准某个特定的感兴趣区域。智能手机的摄像头捕捉到该区域，应用则通过增强现实（AR）系统显示与参观者所观看内容相关的附加信息。使用MEC服务器具有优势，因为增强现实信息是本地化的。此外，增强现实内容的生成应跟随用户视角的变化，因此需要低延迟和高响应性。

Verbelen等人[30]实现了一种增强现实（AR）应用，该应用具有无标记跟踪和物体识别功能。该应用在视频帧中跟踪特征点，并在屏幕上叠加三维物体。他们将应用逻辑拆分为多个组件，并根据实时情况调度每个组件的需求，无论是靠近边缘服务器还是中心云。因此，视频源和渲染器固定在移动设备上，物体识别器和映射器位于云中，而剩余的物体跟踪器和增强现实重定位器在边缘服务器上执行。

陈等人[31]提出了一种利用谷歌眼镜和云节点的认知辅助应用。在他们的实现中，名为“加百列”的系统将眼镜用作采集用户视频、位置（GPS）和加速度信息的输入设备。这些数据被发送到云节点服务器，并在服务器上执行多个子系统，如人脸识别、物体识别、运动分类器和增强现实等。每个子系统都在增强版OpenStack平台上作为独立的虚拟机实现。

Dolezal等人[32]使用增强现实应用对从移动设备到边缘服务器的计算卸载进行性能评估。这项工作将在第5.2节中进一步描述。除了增强现实之外，曼贾特等人[33]还提出将多接入边缘计算应用于一种有趣的虚拟现实应用。该方案利用边缘服务器对高清晰度（4K级别）360◦直播流进行视场渲染。尽管尚处初步阶段，结果已显示出在保持更高帧率的同时实现了显著的带宽节省。

3.4 辅助密集计算

这是为了将密集计算从终端设备卸载，以最大化电池寿命或简化设备（尤其是低成本传感设备）。图像识别已在增强现实服务场景中出现，是此类计算的一个示例。用于游戏、环境传感器和安全应用的可穿戴设备可能是其他可以受益于卸载的示例。

高桥等人[20]提出了边缘加速网页浏览，通过将HDMI棒等小型设备的计算任务进行卸载，以加速网络应用的执行。其他类别中提到的应用也涉及密集计算，因此为避免重复，此处不再赘述。

3.5 多接入边缘计算的企业部署

在此服务场景中，多接入边缘计算有望实现从移动运营商无线接入网到企业网络的透明本地分流。这是因为随着云计算的成功，许多企业服务正在向基于云的平台迁移，用户希望将自己的设备同时连接到企业网络和公共网络，同时满足安全性和性能要求。一个简单的例子是将IP‐PBX与多接入边缘计算平台集成，从而在电信运营商的小型基站与企业WLAN网络之间提供无缝服务。虽然本地分流功能已在由3GPP[34]进行标准化，但多接入边缘计算可能增加执行企业特定服务和策略的能力，例如访问控制和服务差异化等。

另一个应用是在制造工厂的生产线旁部署边缘服务器。该边缘服务器用于收集来自计算机数控设备、制造机器人、外围设备等的信息，并执行高级分析和实时反馈控制。在必要时进行控制。例如，参考文献[35]和[36]研究了这种智能工厂场景，并且已在实际工厂中开展初步部署工作，如参考文献[37],[38]和[39]所示。

3.6 联网车辆

预计在未来十年内，汽车和其他车辆将变得更加“互联”。为了实现连接，短距离通信采用专用短程通信等技术，而长距离和广覆盖则依靠蜂窝网络，即LTE和第五代移动通信技术。车辆与车辆（V2V）以及车辆与路侧传感器（V2I）之间的通信旨在提高汽车的安全性、效率和便利性。

有关附近道路危险、车辆下一步行为、拥堵道路甚至空闲停车位等信息将被交换。这些信息通常可在本地使用，也就是说，其价值局限于一定范围内，因此由附近多接入边缘计算服务器进行处理具有显著优势。此外，多接入边缘计算可用于为需要低延迟的应用提供托管服务。

关于联网车辆，预计将出现大量新服务和商业机会，因此该服务场景正受到广泛关注。该领域已有针对与多接入边缘计算相关研究的综合性调研工作[40],[41]，因此我们在此不再提及个别论文。产业界也关注MEC应用在联网车辆中的发展，一些联盟[42],[43],[44]等组织已开始开展活动以促进生态系统建设。

在与车辆相关的研究中，车辆实际行驶行为有助于真实评估。为此，城市交通模拟器[45],[46]数据被广泛使用。

3.7 物联网网关

随着物联网的发展，越来越多的各种设备实现互联，它们之间以及与云之间交换消息。这是一个庞大的服务类别，预计将出现许多新的有用用例。基本上，MEC服务器充当网关，聚合来自附近物联网设备的消息。此外，MEC服务器可以对每条消息进行预处理，仅发送有意义的消息（例如，当传感器数值变化超过指定阈值时）。这将显著减少云中的通信和处理开销。此外，根据所连接设备的某些特性，高效服务需要实时处理能力或基于proximity的设备分组形成功能，而MEC有望在这些方面发挥重要作用。

渗透式计算[47]提出了一种在网络边缘高效执行物联网服务和应用的范式。其设计概念基于三层应用处理架构，即物联网设备、边缘服务器和公有/私有云，与其他方案类似。应用被分解为微服务，并根据需要动态地定制并部署于边缘或云端。如同osmosis在化学中的含义，通过动态管理云和边缘的资源，实现微服务的均衡部署，同时满足资源约束和应用需求。这种平衡根据资源配置的参与情况可动态调整，以便运营商确定微服务应从云迁移到边缘还是相反。Osotic计算采用与应用无关的方法设计，利用Docker[24]和Kubernetes[48]等轻量级基于容器的虚拟化技术来部署微服务。

Sapienza等人[49]研究了一种利用多接入边缘计算（MEC）检测异常或关键事件（如恐怖主义威胁、自然灾害和人为灾难）的场景。在该论文中，假设有三种信息来源：智能手机等个人设备、城市中部署的视频监控系统以及无线空气质量传感器系统。在他们的场景中，MEC服务器提供两项服务：融合服务，用于监控和分析来自信息源的数据；告警通知管理器，负责生成消息并将其发送至邻近的基站收发台或演进型节点B。

EdgeIoT[50]探讨了物联网中移动边缘计算的用户隐私问题。在该方案中，每个用户的物联网设备都与一个代理虚拟机（位于雾/边缘服务器上）相关联。代理虚拟机收集、分类和分析这些设备的原始数据流，将其转换为元数据，并将元数据传输到相应的应用虚拟机（由物联网服务提供商拥有并供用户共享使用）。在代理虚拟机和应用虚拟机之间交换的元数据是从原始数据流生成的，以确保不侵犯用户隐私。例如，在恐怖分子检测应用中，仅将匹配的照片/视频的位置和时间戳上传到应用虚拟机。

4. MEC标准化

在前一节提到的开创性工作中，每个研究都提出了各自略有不同动机和范围的多接入边缘计算模型或架构。然而，随着后续各种研究和标准化活动的开展，显然多接入边缘计算架构需要作为基础设施进行设计，以支持多种物联网应用及其生态系统。

欧洲电信标准协会多接入边缘计算（ETSI ISG MEC）的标准化工作始于2014年。图2和图3分别引自参考文献[14]，表示当前的MEC框架和MEC参考架构。ETSI ISG MEC中的标准化仍在进行中，需要注意的是，我们在此描述ETSI MEC架构的原因并非因其已是最终定案，而是为了展示标准化考虑的广泛程度，以实现将MEC定义为全球可用的物联网基础设施的目标。该设计受到软件定义网络和网络功能虚拟化领域先前成果的影响，这些技术也已在ETSI[51]中实现标准化，并正在逐步被电信运营商的商用网络所采用。

图2中的MEC框架展示了MEC架构中的抽象功能实体。这些功能实体在系统级、多接入边缘（ME）主机级或网络级中运行。中间的多接入边缘（ME）主机级被划分为ME平台、ME应用和虚拟化基础设施。它应在ME主机中使用NFV基础设施（NFVI）。对于ME应用的打包、部署和执行，采用虚拟机虚拟化（VM virtualization）。网络层级表示接入网络的MEC连接性，即第三代合作伙伴计划[34]（3GPP）蜂窝网络、本地网络（企业局域网等）以及通过WiFi和固定线路（例如FTTH）实现的外部网络（互联网）。图中最上方的ME系统级为用户设备和外部第三方（例如云中的应用）提供整个ME系统的视图。它由ME主机和ME管理系统组成，后者是在运营商网络内执行ME应用所必需的。

在图3中，功能实体及其相互关系和各自的参考点被更详细地定义。ME主机通过虚拟机虚拟化为ME应用提供计算、存储和网络资源。目前认为OpenStack是最佳实践，尽管轻量级容器方法也在研究中。MEC主机中的ME平台代表一组在ME主机上运行应用以及使ME应用能够发现和使用ME服务的基本功能。该平台还包括流量转发功能，以实现应用、服务和网络之间的流量引导。图的右半部分描述了管理和运维功能，并定义了若干用于此目的的参考点，这些参考点对于运营商和服务提供商之间的协同操作是必要的。对此感兴趣的读者建议参考文献[9]中的原始文档。正在进行中。

3GPP作为LTE和第五代移动通信技术等主要的国际标准化组织，也正在关注多接入边缘计算，相关讨论以及与欧洲电信标准协会多接入边缘计算的联络已十分活跃。在3GPP规范系列23（TS23）中，研究了以下四个与多接入边缘计算相关的项目：（1）在用户面功能选择时进行本地分流，根据数据包头部和内容引导流量至相应的ME主机；（2）在会话管理功能中对多接入边缘计算流量进行QoS和策略控制；（3）利用称为网络存储功能的功能发现机制，以找到合适的ME主机；（4）使用由网络开放功能提供的网络功能API，以实现更低的延迟和更宽的带宽。

除了ETSI和3GPP之外，还以联盟的形式开展了合作努力，例如由思科等公司发起的开放雾计算联盟[52]、由卡内基梅隆大学等机构发起的开放边缘联盟[53]（OEC）、由Facebook等参与的电信基础设施项目[54]（TIP）中的边缘计算工作组，以及由华为等企业成立的边缘计算联盟[55]（ECC）等。

5. 多接入边缘计算基础设施的近期研究

5.1 架构研究

如前一节所述，多接入边缘计算（MEC）并非旨在为单一特定应用提供独立的解决方案，而是旨在成为一种基础设施，为各类应用在靠近用户和设备的位置提供计算与存储能力。因此，MEC的架构设计至关重要。目前存在大量基于ETSI MEC/NFV或非基于ETSI MEC/NFV的提案和研究。本节将介绍其中一些新颖且有趣的工作。

Tran等人[56]提出了未来第五代移动通信技术蜂窝网络中多接入边缘计算的架构视图。第五代移动通信技术旨在实现端到端往返1毫秒的超低延迟[57]，因此有望成为实现实时应用处理的多接入边缘计算中最合适的接入网络技术之一。在该研究中，MEC服务器直接部署在5G基站（BSs）上，以满足严格的低延迟要求。他们将多接入边缘计算与云无线接入网（C-RAN。RAN代表无线接入网络）进行了比较，后者是蜂窝架构中一种新兴的范式。这两种范式将计算能力推向了不同的方向：C-RAN旨在通过虚拟化和软件定义网络集中化基站功能，而多接入边缘计算则在某种程度上是将功能分布到网络边缘。他们总结指出，多接入边缘计算与C-RAN并不矛盾，而是相互补充的。例如，一个需要极低延迟的应用可以将一个或少数几个时间敏感的组件运行在多接入边缘计算环境中，其余组件则运行在云中。他们介绍了三个案例研究：移动边缘编排、协同视频缓存与处理以及双层干扰消除，在支持多接入边缘计算的第五代移动通信技术系统中的应用。

欧盟资助的SESAME项目[58]提出了云小型基站（CESC）概念，并研究了在网络边缘部署网络智能和应用的问题。一个有趣的观点是，SESAME被设计为支持多运营商（多租户）实体的CESC。这意味着多个运营商可以共享同一基础设施。

多个网络运营商将能够使用SESAME平台，每个运营商使用其自身的网络“切片”，包括MEC功能。该项目发布了 一篇白皮书[59]，其中包含参考模型和架构设计，这些内容与ETSI框架基本一致，同时还介绍了其功能描述及原型实现。

网络功能虚拟化（NFV）被认为是实现MEC基础设施的技术基础。Cziva等人[60]为MEC的NFV平台提出了格拉斯哥网络功能（GNF）。GNF是基于容器的轻量级模块封装，具有快速实例化时间和低资源开销。它支持VNF漫游，以在小区之间无缝跟随用户。他们展示了可能的边缘服务器硬件规格的真实规格，将GNF与现有的VNF方法在MEC方面的表现进行了比较，并给出了几个用例。在类似背景下，Carella等人[61]研究了NFV在MEC中的应用，但其重点是MEC服务模块的管理和编排（MANO）服务。

基于Open Baton[62]框架实现NFV MANO，通过利用MANO中已有的功能元素——虚拟网络功能管理器（VNFM）和虚拟化基础设施管理器（VIM），实现了支持NFV和MEC的跨域编排。

在LTE和5G网络中，存在通过光回传将基站连接到运营商核心网的架构。在回传中，基于以太网的技术（例如以太网无源光网络（EPON）和10G-EPON）被认为是一种极具吸引力的解决方案，并且近年来被广泛使用。在这种光纤无线（FiWi）接入网络中，接入点或基站与光网络单元（ONU）共址。Rimal等人[63]解决了将MEC集成到现有FiWi基础设施中的重要问题。该文章提出了几种FiWi上的MEC架构，并给出了部署MEC服务器的候选位置。随后，提出了一种基于TDMA的统一资源管理方案，允许传统的非MEC流量与MEC相关流量共存。由于TDMA的调度特性，该方案允许MEC辅助用户设备在其他设备的时隙期间进入睡眠模式。尽管性能评估是理论分析的，但结果表明，所提出的方法实现了良好的响应时间效率和合理的MEC数据包延迟，同时延长了MEC辅助设备的电池寿命。

尽管这并非架构层面的问题，Orsini等人[64]在MEC服务尚未全面部署、仅在有限区域可用的情况下提出了一个重要问题。在此场景中，用户手持具备蜂窝和WiFi连接能力的设备。通过蜂窝服务，设备上运行的应用被卸载至互联网云，而在处于WiFi热点范围内时，则通过WiFi连接将应用卸载至附近的MEC服务器。云服务器和MEC服务器提供相同的一组应用服务，此处为不同的图像滤镜。为了实现蜂窝与WiFi之间的自动切换，他们实现了一个名为“CloudAware”的中间件，该中间件运行于Android操作系统之上。CloudAware具有上下文适应功能，可通过基于历史的预测来判断用户的未来移动，从而选择适当的连接选择和卸载时机。

带宽以及任务的执行时间。为了进行真实评估，他们使用了诺基亚移动数据挑战（MDC）数据集[65]，该数据集包含了在洛桑地区近200名志愿者的智能手机在18个月内的活动记录，例如智能手机位置、蜂窝/Wi-Fi连接状态、设备电池电量、应用程序使用情况等。评估通过仿真完成，其中每个应用程序任务被判断为成功或失败；任务可能由于多种原因失败，例如设备电池耗尽、附近多接入边缘计算服务器过载，或因用户移动导致连接丢失。尽管设置较为简单，仿真结果表明，与设备本地执行相比，CloudAware在保持相似成功率的同时，提供了超过两倍的加速效果。

5.2 应用程序分割与性能研究

MEC系统中存在多种优化指标，例如延迟、带宽消耗、用户设备的电池使用以及基础设施成本等。这些指标之间的权衡不仅取决于MEC的实现方式，还取决于在用户设备、边缘服务器和云之间的工作负载分割。研究并理解这种权衡机制对于MEC应用及实际部署至关重要。工作负载分割的相关问题在参考文献[66]第2章中进行了详细描述和研究。

该文献提出了以下问题：“给定特定的应用状态和特定的计算环境，应用的哪些部分应在移动计算机上运行，哪些部分应在远程基础设施上运行？”已有若干研究致力于解决这一问题。

Dolezal等人[32]提出了将计算从移动设备卸载到边缘服务器的评估。在实验中，他们使用安卓智能手机、Intel Xeon工作站作为边缘服务器，并通过Wi-Fi网络连接两者。应用程序被划分为模块的过程似乎由程序员预先完成，计算密集型模块通过Java注解进行标记。他们的卸载框架称为UE栈，能够监控并拦截应用模块的执行尝试，进而决定是否应执行卸载而非UE本地执行。在评估中，他们使用了一个增强现实（AR）应用，该应用可识别设备摄像头视野中的兴趣点，并以叠加层形式显示附加的文本注释信息。该应用具有较高的计算需求，且工作负载随场景变化而变化；工作负载随着发现范围（即设备可探测兴趣点的最大距离）的增大而增加。评估结果表明，与UE本地执行相比，卸载显著降低了延迟，尤其是在工作负载较高（即发现范围较大）时效果更为明显。延迟高度依赖于网络吞吐量。卸载的缺点是带来了额外的流量开销，但增长幅度相对较小。对于此应用而言，尽管卸载通信带来了额外开销，但卸载仍降低了智能手机的能耗。

胡等人[67]提出了三种情况的比较：UE本地执行（无卸载）、卸载到云（亚马逊EC2）并将任务卸载到MEC服务器（运行在2.7GHz四核工作站上的云节点）。实验中评估了三种应用：人脸识别、增强现实和基于物理的计算机图形学。他们还使用了Linpack（数值线性代数）和PI（计算π至200万位精度）等重量级基准测试程序。应用程序通过COMET[68]进行划分。网络接入使用LTE和WiFi，产生的往返延迟不同，从通过WiFi访问云节点的几毫秒，到通过LTE访问云的超过100毫秒不等。

论文给出的结果非常具有参考价值。与性能更优（几乎高出一倍）的云相比，边缘计算在WiFi和LTE两种情况下均能显著改善响应时间和能耗。

王等人[69]研究了部分计算卸载问题，即通过两个最小化目标来优化卸载比例：用户设备的能耗和应用执行的延迟。此外，该研究还引入了动态电压调节技术，以充分利用移动设备中先进的芯片功能实现低功耗。这两个最小化问题最初被建模为非凸问题，随后转化为凸问题。这是一种解析方法，仅给出最优卸载比例；应用划分机制不在研究范围内。

毛等人[70]也通过解析方法讨论了多用户移动边缘计算系统中的功耗-延迟权衡。总之，当更多工作负载被卸载到MEC系统时，用户设备的功耗降低，平均执行延迟增加。

毛等人[71]研究了一个有趣的情况，即终端设备具备能量收集（EH）能力。该研究讨论了针对EH设备的计算卸载策略，并提出了一种低复杂度在线算法。

在软件工程领域，面向微服务的软件架构已引起关注，其中应用被构建成一组称为微服务的松耦合、相对较小的软件模块。这提高了软件组件的模块化程度，使应用更易于开发、修改和部署。从多接入边缘计算的角度来看，微服务是划分应用处理的自然候选方案。然而，将现有的单体程序迁移到面向微服务的架构并非易事。尽管该论文未提及边缘计算，马兹拉米等人[72] tuckle了这一问题，并提出了一种形式化且半自动的微服务提取方法。

5.3 资源管理

作为一种基础设施，MEC系统中的计算、存储和网络带宽资源以类似于云的方式在多个用户和多个应用服务之间共享。此外，与云服务器相比，MEC服务器通常具有更小的资源池，但更靠近用户设备和无线接入网络。这意味着需要复杂的资源管理来应对由用户移动性和无线环境波动引起的动态性。我们在本节中看到了一些新颖且发人深省的论文。

陈等人[73]研究了无线信道分配问题。由于将处理任务卸载到MEC服务器需要通过无线接入传输各种输入数据，而无线信道被视为希望进行卸载的用户之间的共享资源。

该论文首先指出，在多信道无线干扰环境中，针对MEC的多用户计算卸载问题的集中式最优解具有NP难的计算复杂度。随后，他们采用博弈论方法，将问题建模为移动设备用户之间的多方决策博弈。他们证明该博弈存在纳什均衡，并具备有限改进性质。在该博弈中，每个用户设备独立做出两个决策：（1）是否进行卸载或本地执行；（2）请求使用哪个无线信道。这些决策基于执行时间（卸载或本地执行）与电池消耗的加权和，以及在卸载情况下卸载通信所需的时间。当卸载对设备有益时，用户设备会选择卸载。

通过重复独立决策，最终达到纳什均衡，使得在有限的MEC资源下，最大数量的设备能够从卸载中受益。他们提出了一种分布式算法，该算法在有限次迭代内收敛。迭代次数最多为使用MEC服务器的设备数量的二次方，但通常收敛时间几乎与设备数量呈线性关系。由于每次决策迭代仅占用一个无线时隙（在LTE系统中为70微秒），整个分配过程所花费的时间远短于通常为几百毫秒的应用执行时间。

Kiani等人[74]研究了在更广义的分层模型中何处卸载的问题，该模型中存在三级MEC服务器。他们引入了现场云、浅层和深层云节点的概念，每种云节点与终端设备之间的网络距离不同，计算和存储容量也不同。在多用户设置下，他们将各层级之间的虚拟机和带宽分配问题建模为基于拍卖的利润最大化问题。通过使用启发式算法，所提出的算法能够实现接近最优的资源分配，并且高效运行。

多接入边缘计算有望支持关键和实时应用的超高可靠低延迟通信与处理。对于此类应用，设计多接入边缘计算系统时，不仅需要依赖平均指标（如平均工作负载和平均延迟），还需考虑这些指标的统计分布，即指标的上界或延迟边界违反概率。Liu等人[75]采用极值理论[76]和李雅普诺夫随机优化技术[77]研究了这一问题。结果提出了用户设备端的任务计算与卸载决策方法，以及服务器端的资源分配方案。基于仿真的数值分析表明，该方法在估计延迟边界违反概率、满足卸载请求所需的边缘服务器数量，以及用户设备端功耗与端到端延迟之间的权衡方面具有实用性。

萨特里亚等人[78]讨论了多接入边缘计算过载的问题系统及其恢复，这对于基础设施运行而言是一个重要问题。

由于边缘服务器的资源有限以及移动设备的工作负载需求不断变化，即使经过最精心的设计，MEC服务器也无法避免偶尔出现过载（从经济角度来看，也不应完全避免）。本文并未追求无过载的设计，而是在MEC服务器发生过载或故障时提出了两种恢复方案：一种方案是将任务从过载的MEC服务器重新卸载到可用的邻近服务器；另一种方案是利用用户设备作为过载的MEC服务器与邻近服务器之间的自组织中继节点。苏扎等人[79]研究了MEC系统中类似的故障与恢复问题，并在服务分配时间、恢复延迟和资源使用等多个方面研究了两种不同的策略（主动式和被动式）。

6. 结论

多接入边缘计算正作为一种全新的范式兴起，将取代传统的客户端-服务器或设备-云架构，并有望成为物联网时代的未来基础设施。在本综述中，我们重点关注了多接入边缘计算基础设施方面的关键问题，包括架构、工作负载划分与权衡以及资源管理。目前已有许多从不同角度对多接入边缘计算和边缘计算进行的优秀综述，例如参考文献[80],[81]和[82]等。关于本文未提及的多接入边缘计算的安全影响，可参见参考文献[83]中的调研。显然，多接入边缘计算的概念涉及广泛的研究领域，不仅限于技术层面，还包括商业和经济层面。尽管一些必要的技术可以来自长期且深入研究的领域，如分布式处理、云计算技术、虚拟机等，但仍存在大量有待探索的研究挑战和机遇。尽管近年来学术界和工业界对多接入边缘计算的兴趣日益增长，但针对多接入边缘计算特有问题的研究仍处于早期阶段；例如，如何自动或无需程序员过多干预地划分应用逻辑，如何在用户设备移动性或工作负载变化时在边缘服务器之间或边缘服务器与云之间迁移或切换正在进行的处理任务，以及面向边缘的软件设计与开发方法论等。迫切需要广泛而深入的研究努力。